ソフトウェア開発チームがAI「エージェント」を取り入れるとき、トークン費用の上昇と品質リスクをどう折り合いをつけるべきか──ドイツ・パッサウ大学のSteffen Herbold氏は、そうした問いに答えるために、ヒトとAIを混成した開発チームを模した大規模シミュレーション研究を行いました（arXiv:2610.20394v1）。本稿はその内容と含意を平易にまとめ、想定や限界に注意を促します。

研究の要点（方法） - 研究者は「離散時間確率過程」に基づくシミュレーションモデルを作成し、週単位のスプリントを繰り返す形式で開発プロセスを再現しました。モデルには「機能実装」「設計／アーキテクチャ」「バグ修正」「リファクタリング」「コードレビュー」「セキュリティ監査」「テスト作成」「ドキュメント作成」の8つのエージェント役割を導入し、人間開発者の監督や設計承認、技術的負債（technical debt）の蓄積・解消、リリースと機能凍結（feature freeze）も扱っています。 - モンテカルロシミュレーションと進化的探索を用いて、開発者能力、プロジェクト速度、負債動態、エージェント能力と価格、バグの影響などを変えた432のシナリオを評価し、人的のみのベースラインと比較しました。

主な発見（抑えた表現） - 「本番に出てしまうバグ（escaped bugs）」が総コストの最大要因でした。品質関連の損失が開発者人件費やエージェントのトークン費用よりも大きくなるケースが多いとモデルは示します。 - エージェント予算の約61%がバグ検出・QAに割かれるという結果が出ました。要するに、機能を出すコストよりも品質を保つコストに資源が集中します。 - エージェントの「能力」がトークン単価よりも重要でした。高品質なアウトプットを出すエージェントは上流で生じる品質管理コストを減らし、結果的に総コストを下げることが多い、という傾向です。 - 能力の高いエージェントを使うと、人間開発者は相対的にバグ修正に時間を割き、エージェントに新機能実装を任せる構図になりやすいとモデルは示しました（あるシナリオでは人間のコーディング時間の中央値で88–90%がバグ修正に充てられると推定）。 - 能力の低いエージェントは一貫したコスト優位を生まないため、単に安いエージェントを大量導入すれば良い、という単純な戦略は通用しません。 - 現実的な開発速度のもとでは、最適解は多くの場合「人間への支出がエージェント支出を上回る」ものでした。すなわち、すぐにトークン費を増やしてエンジニアの半分以上をトークン消費に充てるべき、という普遍的なルールは見つかりませんでした。

実務への含意（慎重な示唆） - 最優先は「逃したバグ」を減らす仕組みづくりです。エージェントを導入するなら、テスト・レビュー・監査に十分投資する設計が重要です。 - エージェントの選定では「単価」よりも「実際の能力」を重視すべきです。高性能で監督負荷の小さいエージェントは総コスト削減に寄与します。 - チーム構成や支出配分はプロジェクトごとに最適解が異なります。技術負債の性質、リリース頻度、バグが与える損害の大きさなどに応じて調整する必要があります。 - ドキュメント整備は監督コストを下げる効果があり、投資の回収が見込めます。

研究の限界と注意点（重要） - この研究はシミュレーションに基づくもので、現実のチームやモデルのパラメータ（エージェントの真の能力、バグコスト、監督時間など）に依存します。論文でも著者は多様なシナリオで挙動が変わることを示しており、「普遍的なトークン予算」は存在しないと結論づけています。 - モデルは設計上の簡略化（たとえば人間の1機能あたりの工数を固定化する、役割を明確に分ける等）を含みます。実際のワークフローやAIツールの統合の仕方によって結果は変わり得ます。 - 実運用の判断には、まず小さなパイロットでエージェント能力と「逃したバグ」が実際にどの程度起きるかを計測し、コスト項目を現実値で更新してから最適化を行うのが安全です。

まとめ この研究は「エージェントにいくら使うべきか」という問いに対して、単純な経験則ではなく状況に応じた最適化が必要だと示しています。特に品質（逃したバグ）を中心に据えた設計と、高能力なエージェントへの投資の優先が鍵になるという点は実務的にも示唆的です。ただし、結果はモデル化の仮定と入力値に強く依存するため、組織ごとに実測データで検証しながら慎重に導入・予算配分を決めることが推奨されます。